Basi di dati relazionali e non relazionali
Relazionale, a documenti, chiave-valore, a colonne, a grafi. Le famiglie differiscono meno in ciò che memorizzano che nelle garanzie che mantengono. Questa lezione le confronta sulle garanzie, non sul marketing.
Base
Obiettivi di apprendimento
- Enunciare le proprietà distintive del modello relazionale e le garanzie che ne derivano
- Descrivere le quattro principali famiglie non relazionali e che cosa ottimizza ciascuna
- Spiegare l'effettiva affermazione del teorema CAP e la sua lettura errata più comune
- Spiegare la consistenza eventuale e BASE senza slogan
- Scegliere una famiglia di basi di dati con criteri espliciti e dichiarati
Prerequisiti
- Introduzione alle basi di dati
- I DBMS: definizione e funzionalità
- L'architettura a tre livelli ANSI/SPARC
Introduzione
"Relazionale o NoSQL?" viene di solito posta come una domanda sulla tecnologia, e di solito riceve risposta con uno slogan. È in realtà una domanda su quali garanzie sei disposto a cedere, e non si può rispondere senza nominarle.
Questa lezione ha un solo scopo: rendere il confronto decidibile. Non sostiene che una famiglia sia migliore. Enuncia che cosa garantisce ciascuna, quanto costa, e quale evidenza giustificherebbe la scelta.
Che cosa garantisce davvero il modello relazionale
Il modello relazionale fu proposto da E. F. Codd nel 1970 e poggia su poche idee:
- Tutti i dati sono rappresentati come relazioni (tabelle): insiemi di tuple (righe) su un insieme fissato di attributi (colonne) con nome.
- Ogni attributo ha un dominio: un insieme di valori ammessi, con un tipo.
- Non esiste un ordinamento delle righe, né delle colonne oltre ai loro nomi.
- I dati sono accessibili per valore, non per posizione o puntatore.
- Un linguaggio di interrogazione dichiarativo (SQL) esprime che cosa recuperare.
Da queste idee derivano le garanzie che rendono il modello durevole:
| Garanzia | Che cosa significa | Resa possibile da |
|---|---|---|
| Indipendenza fisica dei dati | La memorizzazione può cambiare liberamente | Accesso per valore, non per puntatore |
| Semantica di insieme | Nessuna riga duplicata; i risultati sono insiemi, non sequenze | Le relazioni sono insiemi |
| Ottimizzazione dichiarativa | Il motore sceglie il piano | Il linguaggio dice che cosa, non come |
| Interrogazioni componibili | Il risultato di un'interrogazione è a sua volta una relazione | Chiusura dell'algebra relazionale |
| Vincoli come oggetti di prima classe | Chiavi, chiavi esterne, check, domini | Uno schema formale con un sistema di tipi |
| Supporto maturo alle transazioni | ACID con isolamento configurabile | Decenni di ingegneria sui motori |
L'ultima va enunciata con precisione, perché è spesso fraintesa: ACID non è inerente al modello relazionale. È una proprietà dell'implementazione del DBMS. I primi sistemi relazionali avevano un supporto transazionale debole. È vero che il modello relazionale, con il suo schema formale e l'accesso per valore, rende trattabile implementare ACID — e i produttori relazionali hanno avuto cinquant'anni per farlo.
Le quattro famiglie non relazionali
Ciascuna famiglia ottimizza qualcosa che il modello relazionale non ottimizza bene, e lo paga in garanzie.
1. Database a documenti
Esempi: MongoDB, CouchDB, Firestore.
Unità di memorizzazione: un documento — di solito JSON — contenente strutture annidate e array.
Che cosa ottimizza: leggere un aggregato completo in un'unica operazione, ed evolvere lo schema senza migrazioni.
{
"_id": "prestito-8821",
"socio": { "codice": "1042", "cognome": "Rossi", "nome": "Anna" },
"copia": { "inventario": "INV-7731", "titolo": "Il nome della rosa" },
"dataInizio": "2025-03-01",
"dataScadenza": "2025-03-31"
}
Che cosa guadagna: una lettura restituisce l'intero prestito con tutto ciò che serve a una schermata. Nessun join. Il modello a oggetti dell'applicazione si mappa direttamente.
Che cosa costa:
- Lo stesso fatto è memorizzato molte volte. Il nome del socio è in ogni documento di prestito. Cambia il nome e devi aggiornare ogni documento — che è esattamente la ridondanza della lezione 3, reintrodotta deliberatamente.
- Nessun vincolo fra documenti. "Un prestito deve riferirsi a un socio esistente" non è applicabile dalla base di dati. Diventa una responsabilità dell'applicazione.
- Le interrogazioni fra aggregati sono deboli. "Totale prestiti per dipartimento" richiede una scansione di tutto o un aggregato mantenuto separatamente.
Un database a documenti è adatto quando l'aggregato è davvero l'unità di lavoro e i campi duplicati sono davvero immutabili (il nome di un prodotto in una fattura storica, per esempio, deve essere congelato).
2. Database chiave-valore
Esempi: Redis, DynamoDB, Riak, Memcached.
Unità di memorizzazione: un valore di tipo opaco, indirizzato da una chiave.
Che cosa ottimizza: accesso a singola chiave estremamente veloce su scala molto grande, e distribuzione orizzontale.
Che cosa costa: nessun linguaggio di interrogazione oltre all'accesso per chiave (nella forma pura), nessun vincolo, nessuna relazione. Ogni modello di accesso va progettato in anticipo, perché il progetto delle chiavi è il progetto delle interrogazioni.
Quando è giusto: cache, stato di sessione, contatori, rate limiting, feature flag — cose accessibili per chiave nota e prive di relazioni.
3. Database a famiglie di colonne
Esempi: Cassandra, HBase, ScyllaDB.
Unità di memorizzazione: righe identificate da una chiave di partizione, con colonne raggruppate in famiglie; ogni riga può avere colonne diverse.
Che cosa ottimizza: throughput di scrittura molto alto e scalabilità orizzontale lineare su molti nodi, con i dati distribuiti per chiave di partizione.
Che cosa costa: il modello dei dati si progetta a partire dalle interrogazioni, all'indietro — decidi chiave di partizione e ordinamento in base alle letture che ti servono. Aggiungere un'interrogazione non prevista spesso significa una nuova tabella che duplica i dati. Le transazioni sono limitate o assenti.
Quando è giusto: dati di serie temporali ed eventi, telemetria, scritture ad altissimo volume con modelli di accesso noti e stabili.
4. Database a grafi
Esempi: Neo4j, Amazon Neptune, ArangoDB.
Unità di memorizzazione: nodi e archi, entrambi con proprietà.
Che cosa ottimizza: le traversate — "amici di amici", "cammino minimo", "tutti i componenti che dipendono da questo", "quali corsi vanno superati prima di questo".
Che cosa costa: supporto più debole per l'aggregazione su larga scala di tutti i dati, e un linguaggio di interrogazione (Cypher, Gremlin, SPARQL) da imparare.
Quando è giusto: la domanda centrale del dominio è una traversata di profondità variabile. Nota che una base di dati relazionale può memorizzare un grafo perfettamente bene; ciò che non può fare efficientemente è attraversarlo a profondità arbitraria, perché ogni salto è un join.
Riepilogo delle famiglie
| Famiglia | Ottimizza | Cede | Uso tipico |
|---|---|---|---|
| Relazionale | Correttezza, interrogazioni ad hoc, integrità | Scalabilità orizzontale facile; schema rigido | Sistemi transazionali, tutto ciò che riguarda denaro |
| Documenti | Letture di aggregati, evoluzione dello schema | Integrità fra aggregati, fonte unica del fatto | Contenuti, cataloghi, stato applicativo |
| Chiave-valore | Latenza su scala | Tutto tranne l'accesso per chiave | Cache, sessioni, contatori |
| Famiglie di colonne | Throughput di scrittura, distribuzione | Interrogazioni ad hoc, transazioni | Telemetria, eventi, log |
| Grafi | Traversate profonde | Aggregazione massiva | Social, raccomandazioni, dipendenze |
Il teorema CAP, enunciato correttamente
Quasi ogni discussione sull'argomento invoca CAP, e quasi ogni invocazione è sbagliata. Il teorema (Brewer, 2000; Gilbert e Lynch, 2002) afferma:
CAP
In presenza di una partizione di rete (P) — alcuni nodi non riescono a comunicare con altri — un sistema distribuito deve scegliere fra consistenza (C, ogni lettura vede l'ultima scrittura) e disponibilità (A, ogni richiesta riceve una risposta non di errore). Non può avere entrambe.
Che cosa non dice:
- Non dice "scegli due su tre". P non è opzionale: le partizioni accadono in ogni rete reale. La scelta vera è C o A quando avviene una partizione.
- Non si applica a un sistema a nodo singolo, che non ha partizioni in cui trovarsi.
- La "consistenza" di CAP è la linearizzabilità, una proprietà molto più forte della C di ACID. La maggior parte dei sistemi che la gente chiama "CP" non è linearizzabile nel senso di CAP.
- Non dice nulla sulla latenza. Lo scambio pratico e quotidiano nei sistemi distribuiti è fra consistenza e latenza, non disponibilità — è la sostanza di PACELC (Abadi, 2012): se c'è una Partizione, scegli A o C; altrimenti (Else), scegli Latenza o Consistenza.
Consistenza eventuale e BASE
Consistenza eventuale
Un sistema è eventualmente consistente se, in assenza di nuove scritture, tutte le repliche prima o poi convergeranno allo stesso valore. Non dice quando, e non dice che cosa restituisce una lettura nel frattempo.
BASE — Basically Available, Soft state, Eventual consistency — fu proposto come opposto di ACID. Leggiamolo con attenzione:
- Basically available: il sistema risponde, eventualmente con dati obsoleti o parziali.
- Soft state: lo stato può cambiare senza nuovi input, perché le repliche stanno convergendo.
- Eventual consistency: come definita sopra.
La parola "prima o poi" porta tutto il rischio. Si consideri una biblioteca in cui la sospensione di un socio viene scritta su una replica e letta da un'altra:
| Istante | Replica A | Replica B | Conseguenza |
|---|---|---|---|
| t₀ | socio sospeso | socio attivo | Viene concesso un prestito che andava rifiutato |
| t₀ + 200 ms | socio sospeso | socio sospeso | Convergenza avvenuta — il prestito sbagliato esiste già |
Il sistema è corretto secondo la propria definizione. L'azienda no. La consistenza eventuale è una scelta su quali errori accetti, e la scelta devono farla le persone che ne subiscono le conseguenze — non il team a cui piace una libreria.
Scegliere: criteri espliciti
Una scelta difendibile nomina i propri criteri prima di confrontare i prodotti.
| Domanda | Se sì → | Se no → |
|---|---|---|
| La correttezza di denaro, inventario o sicurezza è critica? | Relazionale, con transazioni | Qualunque famiglia può essere praticabile |
| Servono interrogazioni ad hoc che non sai prevedere? | Relazionale | Una famiglia specializzata |
| Il modello di accesso è noto, stabile e basato su chiave? | Chiave-valore o famiglie di colonne | Relazionale |
| L'unità naturale di lettura è un intero aggregato? | Documenti | Relazionale |
| La domanda centrale è una traversata a profondità variabile? | Grafi | Relazionale |
| Devi scalare le scritture oltre una macchina dal primo giorno? | Famiglie di colonne / relazionale shardizzato | Relazionale |
| Il team è in grado di gestire un sistema distribuito? | Distribuito | Relazionale (un nodo singolo ben gestito batte un cluster mal gestito) |
| Hai requisiti legali di conservazione/cancellazione per singolo record? | Relazionale, o uno store con semantica documentata | Qualunque |
Due criteri meritano enfasi perché di solito vengono omessi:
Competenza operativa. Una base di dati distribuita con cinque nodi e consistenza eventuale richiede monitoraggio, gestione dei conflitti e procedure operative. Un'istanza relazionale singola con un backup e un indice è un problema risolto. Scegliere il sistema più difficile senza la competenza per gestirlo è una causa di disservizi molto più comune della scelta del "modello di dati sbagliato".
Costo totale di proprietà su dieci anni. Il vantaggio dell'ecosistema relazionale non è la velocità grezza; è la strumentazione accumulata: migrazioni, backup, replica, monitoraggio, ORM, reportistica, competenze SQL, e il fatto che un nuovo assunto la conosce già.
Scegli e difendi la scelta
Per ciascuno scenario scegli una famiglia di basi di dati, indica i due criteri che guidano la scelta e nomina una cosa a cui rinunci.
- Il sistema di prestiti e prenotazioni di una biblioteca: 40 postazioni, 5 000 prestiti al giorno, una sanzione non deve mai andare persa.
- Uno store di sessioni per un'applicazione web: 200 000 sessioni attive, scadenza a 5 minuti.
- Un catalogo prodotti per un negozio online: 300 000 prodotti con attributi diversi per categoria, letti molto più di quanto siano scritti.
- Una pipeline di telemetria: 80 000 letture di sensori al secondo, interrogate per dispositivo e intervallo temporale.
- Una funzione "chi conosce chi" in un social professionale, con domande del tipo "colleghi di colleghi che lavorano in questo settore".
- Un sistema di propedeuticità dei corsi per un'università: "quali corsi sono raggiungibili da questo, e in quale ordine".
- Un registro di audit per una banca: append-only, mai modificabile, interrogabile su richiesta dell'autorità di vigilanza.
- Una classifica in tempo reale per un gioco: 2 milioni di giocatori, aggiornata continuamente, primi 100 visualizzati.
Mostra la soluzione commentata
1. Relazionale. Criteri: correttezza critica per il denaro (una sanzione non deve andare persa → durabilità e atomicità ACID) e interrogazioni ad hoc imprevedibili (la biblioteca farà domande nuove ogni anno). Si rinuncia: alla scalabilità orizzontale facile, irrilevante a 5 000 prestiti al giorno. Un'unica istanza ben gestita con backup e binary log copre il caso per un decennio.
2. Chiave-valore. Criteri: accesso strettamente per chiave nota e latenza su scala con scadenza economica. Si rinuncia: alla possibilità di interrogare — "quante sessioni sono attive?" può essere impossibile o costoso. Nota che i dati di sessione sono usa-e-getta per progetto, ed è esattamente questo che rende accettabile la perdita di garanzie.
3. Documenti — con un'avvertenza. Criteri: l'unità di lettura è l'intero prodotto e gli attributi variano per categoria (uno schema che in SQL richiederebbe molte colonne nullable o una tabella EAV). Si rinuncia: all'integrità fra prodotti e alla reportistica facile ("tutti i prodotti con l'attributo X"), a meno che gli indici dello store non siano progettati per questo. L'avvertenza: prezzi e giacenze devono restare nel sistema transazionale, perché riguardano denaro; il documento di catalogo è un modello di lettura derivato.
4. Famiglie di colonne. Criteri: throughput di scrittura oltre un singolo nodo e modello di accesso noto e stabile (per dispositivo, per intervallo temporale). Si rinuncia: alle interrogazioni ad hoc e alle transazioni multi-riga. Nota che la scelta della chiave di partizione — dispositivo, o intervallo temporale, o una combinazione — determina tutto e non è facilmente modificabile dopo.
5. Grafi. Criterio: la domanda centrale è una traversata a profondità variabile ("colleghi di colleghi"). Si rinuncia: all'aggregazione massiva efficiente su tutti i membri. Una base di dati relazionale potrebbe memorizzare gli stessi archi; ciò che non può fare a basso costo è attraversarli a profondità non limitata, perché ogni salto è un join.
6. Grafi, oppure relazionale con interrogazione ricorsiva. La risposta onesta è che entrambi funzionano: SQL ha le espressioni di tabella comuni ricorsive (WITH RECURSIVE), che gestiscono bene le catene di propedeuticità quando la profondità è moderata e il grafo è piccolo. Scegli il database a grafi solo se le traversate dominano il carico e il grafo è grande. Si rinuncia con il grafo: a una seconda tecnologia e a un secondo linguaggio di interrogazione per un insieme di dati piccolo. Questo scenario ricorda che "a forma di grafo" non significa automaticamente "serve un database a grafi".
7. Relazionale, con un progetto append-only. Criteri: correttezza normativa e interrogabilità e immutabilità. Si rinuncia: a nulla di importante. Il progetto giusto è una tabella senza privilegi UPDATE/DELETE per l'utente applicativo, una politica di solo INSERT, ed eventualmente una catena di hash o una memorizzazione write-once sotto. Nota che "append-only" è una decisione di progetto, non una categoria di prodotto — una base di dati relazionale lo fa perfettamente.
8. Chiave-valore o uno store in memoria specializzato. Criteri: accesso per chiave nota con interrogazione ordinata top-N e altissimo tasso di scrittura. Si rinuncia: alle garanzie di durabilità, di solito (molte classifiche possono essere perse al riavvio). Se perdere la classifica è accettabile, lo stile Redis è ideale; se non lo è, una tabella relazionale con un indice sul punteggio è più semplice e sicura.
Che cosa insegna questo esercizio. In otto scenari il modello relazionale è una risposta difendibile in cinque, e la scelta "moderna" in tre — e in ciascuno di quei tre il fattore decisivo è stato un modello di accesso specifico o una scala specifica, non una preferenza. Gli scenari in cui si sceglie male sono quasi sempre il 6 (a forma di grafo ma piccolo) e l'8 (scrittura intensa ma piccolo). Decidono scala e forma; non decide la moda.
Errori comuni
- "NoSQL è più veloce." Uno store chiave-valore risponde a una ricerca per chiave più velocemente di un motore relazionale, e non sa rispondere affatto a un join. "Più veloce" senza un carico di lavoro è privo di significato.
- "Le basi di dati relazionali non scalano." Scalano verticalmente molto in alto e orizzontalmente con repliche di lettura e sharding. Ogni grande banca e compagnia aerea gira su relazionale. Ciò che non fanno facilmente è lo sharding in scrittura su centinaia di nodi.
- "Schemaless significa senza schema." Un database a documenti ha uno schema: vive nel codice dell'applicazione e nella forma dei documenti esistenti. La differenza è che non è applicato, quindi va alla deriva.
- "CAP dice: scegli due su tre." P non è opzionale. La scelta è C o A durante una partizione.
- "La consistenza eventuale va bene, i conflitti li gestiremo dopo." I conflitti sono decisioni aziendali. "Dopo" significa "in produzione, con denaro vero".
- "Ci serve un database a grafi perché i nostri dati sono un grafo." Quasi tutti i dati sono un grafo. La domanda è se la traversata è l'operazione dominante.
Riepilogo
- Il modello relazionale rappresenta tutti i dati come relazioni su domini tipizzati, accessibili per valore, interrogabili dichiarativamente. Ne derivano indipendenza fisica, semantica di insieme, interrogazioni componibili, vincoli di prima classe e ACID trattabile.
- Gli store a documenti, chiave-valore, a famiglie di colonne e a grafi ottimizzano ciascuno una cosa — letture di aggregati, latenza per chiave, throughput di scrittura, traversate — e cedono integrità fra aggregati, interrogazioni ad hoc o transazioni.
- CAP riguarda la scelta fra consistenza e disponibilità durante una partizione di rete. Non è "scegli due su tre" e non dice nulla sulla latenza.
- La consistenza eventuale promette convergenza, non un limite temporale. Sceglierla è scegliere quali errori l'azienda accetta.
- Una scelta difendibile nomina i propri criteri: criticità della correttezza, prevedibilità delle interrogazioni, stabilità del modello di accesso, profondità delle traversate, scala e soprattutto competenza operativa.
- La persistenza poliglotta è normale; la disciplina che la tiene al sicuro è nominare un sistema di riferimento per ciascun fatto e trattare ogni altra copia come derivata.
Domande di verifica
- Perché "relazionale" non significa "ha relazioni", e che cosa significa?
- Quale garanzia del modello relazionale rende possibile l'indipendenza fisica dei dati, e perché?
- Enuncia il teorema CAP con precisione, poi spiega che cosa sbaglia la versione popolare "scegli due su tre".
- Un database a documenti conserva il nome del socio dentro ogni documento di prestito. Quale problema della lezione 3 reintroduce, e quando è accettabile?
- Fornisci uno scenario a forma di grafo per il quale una base di dati relazionale resta la scelta migliore, e spiega perché.
Mostra le risposte
-
Si riferisce alle relazioni in senso matematico: insiemi di tuple su attributi con nome. Ogni famiglia di basi di dati memorizza relazioni fra cose; solo quella relazionale prende il nome dalle relazioni. "Relazionale = ha chiavi esterne" rende il termine privo di significato.
-
L'accesso per valore, non per posizione o puntatore. Poiché un'interrogazione nomina colonne e condizioni invece di offset di file, la disposizione di memorizzazione può cambiare senza toccare l'interrogazione — la corrispondenza logico/fisico assorbe il cambiamento.
-
Precisamente: in presenza di una partizione di rete, un sistema distribuito deve sacrificare, per i dati coinvolti, o la linearizzabilità o la disponibilità. La versione popolare sbaglia perché P non è una scelta — le partizioni accadono in ogni rete — quindi la scelta vera è C o A quando avviene una partizione. Inoltre non dice nulla sulla latenza, che è lo scambio che i sistemi fanno ogni giorno (PACELC).
-
Reintroduce la ridondanza incontrollata, e quindi la possibilità di inconsistenza: il nome può differire fra i documenti e il record principale. È accettabile quando il valore duplicato è davvero immutabile in quel contesto — il nome del socio come era alla data del prestito è un fatto storico che non deve cambiare, e allora il documento non è una copia del nome corrente ma la registrazione di uno passato. La distinzione fra "copia" e "fatto storico" è l'intera decisione.
-
Il grafo delle propedeuticità di un'università con 3 000 corsi. È a forma di grafo, eppure una base di dati relazionale con una tabella
prerequisito(corso, corsoRichiesto)e una CTE ricorsiva risponde correttamente ed efficientemente a "quali corsi sono raggiungibili", mantenendo le stesse transazioni, gli stessi vincoli e le stesse procedure di backup del resto del sistema universitario. Un database a grafi separato aggiungerebbe una tecnologia, un linguaggio di interrogazione e un problema di sincronizzazione per un insieme di dati che sta in memoria. Sono profondità e volume delle traversate, non la forma, a giustificare la famiglia a grafi.
Dove andare adesso
- Le fasi della progettazione di una base di dati: il processo che produce uno schema — lo stesso processo per qualunque famiglia, con output diversi.
- I DBMS: definizione e funzionalità: le nove funzioni, e quali di esse una data famiglia fornisce davvero.
- L'architettura a tre livelli ANSI/SPARC: perché alcune famiglie collassano i livelli deliberatamente.
- Student and Course: un piccolo modello relazionale apribile nell'editor, per vedere che aspetto ha in pratica "relazioni su domini tipizzati".